将任何 PDF 转化为 AI 知识库——包含聊天、图表、引用，以及可部署的网站。
DocOracle 是一个开源项目，能将任何 PDF 文档转化为完整的结构化 AI 知识库。它提取每一页内容、以 Gemini Vision 分析每张图表、建立可搜索的数据，并可选择性地生成交互式网站，让用户能够提问并获得以原始文档为依据的答案——每个回答都附有页码引用，并自动显示相关图表。
English · 繁體中文 · 简体中文 · 日本語 · Deutsch
你可能会想："我直接把 PDF 上传到 ChatGPT 或 Claude 提问不就好了？"
你确实可以这样做——但以下是这样做的结果：
| 将 PDF 上传至 ChatGPT/Claude | DocOracle | |
|---|---|---|
| 页码引用 | 模糊或缺失——LLM 无法可靠地告诉你答案来自哪一页 | 每个答案都包含精确的页码，因为流程保留了页面边界 |
| 图表与图片 | 被忽略或描述不清——大多数 LLM 完全跳过视觉内容 | 每张图表、表格和照片都由 Gemini Vision 进行详细的空间描述和检索标签分析 |
| 大型文档（200+ 页） | 上下文窗口溢出——LLM 会悄悄丢弃内容，导致答案不完整或产生幻觉 | 流程逐页处理，然后建立检索优化的分块——不会丢失任何内容 |
| 一致性 | 每次问同一个问题可能得到不同答案 | 结构化 JSON 数据确保确定性检索——相同的问题始终找到相同的依据 |
| 可重用性 | 锁定在单一聊天会话中——无法分享、搜索或进一步开发 | 输出为标准 JSON 文件，可驱动网站、供 RAG 系统使用，或集成到任何应用程序中 |
| 词汇表与结构 | 无——只有原始答案，没有导航功能 | 自动生成带有类别标签的词汇表、附有摘要和关键字标签的章节/段落导航 |
| 可分享的成果 | 一个私人聊天记录 | 可部署的网站，供你的团队、读者、学生或客户使用 |
简而言之，将 PDF 上传到 LLM 只能得到一次一次性的对话。DocOracle 给你的是永久、结构化、可分享的知识库，保留每一页、每张图表和每个引用。
DocOracle 根据用户的技术背景和目标，服务不同类型的用户。请阅读符合你情况的类别。
这类用户希望在不编写代码或运行脚本的情况下，将 PDF 转化为 AI 知识库。
你是： 任何拥有 PDF 且想立即试用 DocOracle 的人，无需安装任何东西。
你要做的： 前往 DocOracle 在线演示，点击"用你的 PDF 试试"，上传你的文档，等待流程处理完成。完成后，你可以直接在浏览器中与 AI 就你的文档进行聊天——附有引用和图表。
你需要的： 一个网页浏览器和一个 PDF 文件。仅此而已。
这是体验 DocOracle 最快的方式。无需下载、无需终端、无需 API 密钥。
你是： 使用 AI 驱动的网页构建工具（如 Base44、Lovable、Vibecoding.ai 或 Cursor）的用户，希望从你的 PDF 构建自己的 AI 知识库网站。
你要做的： 运行 DocOracle 流程（或让 AI 代理为你运行——见第 2 类），将你的 PDF 处理成 4 个 JSON 数据文件。然后使用你偏好的无代码构建工具，构建一个读取这些 JSON 文件并提供 AI 聊天界面的网站。你可以使用 DocOracle 的网站源代码作为参考或提示模板。
你获得的： 一个你拥有和控制的独立网站，由你文档的内容驱动。
你是： 已经拥有网站（公司网站、WordPress 博客、作品集等）并希望在其中添加 AI 驱动的"询问我的文档"聊天小工具的用户。
你要做的： 与 1.2 相同，但不是构建完整网站，而是使用无代码工具构建一个轻量级聊天小工具，然后通过 <iframe> 或 <script> 标签嵌入到你的现有网站中。
你获得的： 嵌入在你现有网站中的 AI 聊天窗口——访客无需离开你的网站即可就你的 PDF 内容提问。
这类用户熟悉终端、Python 和/或 JavaScript，希望对流程和输出有更多控制。
你是： 了解 React/Node.js 的开发者，希望快速为客户或项目构建 AI 知识库——而不需要从头编写整个 PDF 处理流程。
你要做的： 克隆这个仓库，将你的 PDF 放在 input/ 中，运行流程，然后启动网站。根据需要自定义 UI、更换 LLM 提供商或扩展 API。请参阅下方的快速开始部分。
你获得的： 一个在一天内就能运作的 AI 知识库网站，包含聊天、词汇表、章节导航和视觉资产检索——全部准备好可以演示或部署。
你是： 想要流程输出的结构化 JSON 数据，但不需要网站的开发者或数据工程师。你计划将数据输入到你自己的 RAG 系统、搜索引擎或自定义应用程序中。
你要做的： 复制下方的现成提示，粘贴到任何有能力的 AI 代理（ChatGPT、Claude、Manus AI、Open Claw、Claude Cowork 等）中，并附上你的 PDF。AI 代理将执行完整流程并生成包含所有交付物的 PDF_PROJECT_OUTPUT/ 文件夹。
你获得的： 4 个关键 JSON 文件（page_chunks.jsonl、glossary.json、sections.json、visual_assets_index.json）加上评估问题、系统提示和视觉资产元数据——全部为任何编程语言都可读取的标准 JSON 格式。
此用例的复制粘贴提示： 请参阅
docs/PROMPT_PIPELINE_ONLY.md
你是： 希望 AI 代理完成所有工作的开发者、创始人或技术用户——在单一会话中处理 PDF 并构建完整的可部署 AI 知识库网站。
你要做的： 复制下方的现成提示，粘贴到有能力的 AI 代理（Manus AI、Claude Cowork、Open Claw 等）中，并附上你的 PDF。AI 代理将执行完整流程、生成 JSON 数据，然后构建并部署带有 AI 聊天、词汇表、章节导航和视觉资产检索的交互式网站。
你获得的： 一个功能完整的 AI 知识库网站，准备好与你的团队、客户或受众分享。
此用例的复制粘贴提示： 请参阅
docs/PROMPT_PIPELINE_AND_WEBSITE.md
你是： 已有前端或应用程序的 Python 开发者或数据工程师。你只需要一个可靠的 PDF 转结构化数据流程。
你要做的： 仅使用 pipeline/ 目录。在你的本地机器上运行脚本。输出的 JSON 文件可以集成到任何技术栈中——Python、PHP、Go、Java、Ruby 或任何能读取 JSON 的语言。
你获得的： 干净、结构化的 JSON 数据，包含页面级文字分块、词汇表、章节层次结构和视觉资产元数据——准备好插入到你的现有系统中。
你是： 拥有 PDF 格式员工手册、标准作业程序、合规手册或入职材料的人力资源经理或培训负责人。
你的目标： 让员工能够提问，如"请假政策是什么？"或"如何提交费用报告？"，并获得带有页码参考的即时准确答案。
如何使用 DocOracle： 让你的 IT 团队运行流程（或使用第 2 类中的提示使用 AI 代理），然后在内部为你的员工部署网站。
你是： 撰写了一本书或手册并希望为读者提供 AI 驱动伴侣的作者、技术写作者或出版商。
你的目标： 让读者能够提问，如"第 5 章涵盖什么内容？"，并获得以你的书为依据的答案，附有页码引用。
如何使用 DocOracle： 通过流程处理你的书的 PDF，然后将网站部署为你出版物的伴侣。
你是： 处理冗长的政府报告、学术论文、政策文件或技术规范的研究人员。
你的目标： 快速找到埋藏在 500 页文档中的特定条款、数据点或论点。
如何使用 DocOracle： 在你的文档上运行流程，并在本地启动网站。使用 AI 聊天以完整引用支持查询你的文档。
你是： 拥有教科书、讲义或学习材料的教师、教授或补习中心。
你的目标： 为学生提供 AI 学习助手，回答"牛顿第三定律是什么？"等问题，答案以实际教科书为依据——引用具体页面。
如何使用 DocOracle： 处理教科书 PDF，为你的学生部署网站。每个答案都包含页码，让学生可以在原始材料中验证并进一步阅读。
DocOracle 接受 PDF 并分两个阶段生成完整的可部署 AI 知识库：
第一阶段：流程 — 一组在你的本地机器上处理 PDF 的 Python 脚本。流程从每一页提取文字，使用 Gemini Vision 分析图表和表格，对页面类型进行分类，建立词汇表，生成章节摘要，并创建检索优化的分块。
第二阶段：网站 — 一个提供已处理知识库的全栈 Web 应用程序（React + Express + tRPC）。用户可以与 AI 聊天、浏览词汇表、导航书籍结构，并在答案旁边看到相关图表。
| 功能 | 描述 |
|---|---|
| Gemini Vision 分析 | 每张图表、表格和图片都由 Gemini Vision 进行详细的空间描述分析 |
| 带引用的 AI 聊天 | 提问并获得以文档为依据的答案，附有页码引用 |
| 视觉资产检索 | 相关图表自动出现在聊天答案旁边 |
| 词汇表浏览器 | 带有类别标签和页码参考的字母词汇表 |
| 章节导航器 | 带有摘要和关键字标签的完整书籍结构 |
| 图片说明 | "转换为图片说明"按钮为复杂答案生成 AI 视觉摘要 |
| 深色/浅色主题 | 在深色和浅色模式之间切换 |
| PDF 上传演示 | 用于上传和处理新 PDF 的内置界面 |
本节适用于开发者（用户类型 2.1 和 2.4）。如果你是非技术用户，请参阅上方的第 1 类。
| 需求 | 版本 | 用途 |
|---|---|---|
| Python | 3.9+ | 流程脚本 |
| Node.js | 18+ | 网站 |
| pdftotext | 任意 | 文字提取（sudo apt-get install poppler-utils） |
| Gemini API 密钥 | — | Vision 分析和聊天（获取免费密钥） |
git clone https://github.com/dev-james0723/DocOracle.git
cd DocOraclecp /path/to/your/book.pdf input/pip install -r pipeline/requirements.txtexport GEMINI_API_KEY="your-gemini-api-key"bash pipeline/run_all.sh流程将通过 12 个步骤处理你的 PDF。处理时间取决于页数：
| 页数 | 预估时间 |
|---|---|
| 50 | ~15 分钟 |
| 200 | ~1 小时 |
| 500 | ~3 小时 |
# 将 4 个关键输出文件复制到网站
cp output/05_retrieval/page_chunks.jsonl website/server/data/
cp output/04_gold_master/glossary.json website/server/data/
cp output/04_gold_master/sections.json website/server/data/
cp output/10_visual_assets/visual_assets_index.json website/server/data/visual_assets.json
# 安装并启动网站
cd website
npm install
npm run dev在浏览器中打开 http://localhost:3000。你的 AI 知识库已准备就绪。
流程由 12 个按顺序执行的 Python 脚本组成：
| 步骤 | 脚本 | 功能 |
|---|---|---|
| 1 | 01_build_inventory.py |
将每一页分类为文字、图表、照片或混合 |
| 2 | 02_generate_page_records.py |
使用 Gemini Vision 为每一页创建详细记录 |
| 3 | 03_merge_all_records.py |
将文字提取和视觉分析合并为黄金主记录 |
| 4 | 04_build_visual_summary.py |
为高风险视觉页面生成摘要 |
| 5 | 05_build_sections_glossary.py |
建立章节/段落结构和词汇表 |
| 6 | 06_build_glossary_faq.py |
从内容生成 FAQ 种子 |
| 7 | 07_build_retrieval.py |
为 RAG 创建检索优化的分块 |
| 8 | 08_build_eval.py |
生成 80+ 个评估问题用于测试 |
| 9 | 09_identify_visual_pages.py |
识别所有带有图表、表格或图片的页面 |
| 10 | 10_build_visual_assets.py |
将视觉资产提取为单独的图片 |
| 11 | 11_build_visual_metadata.py |
将每个视觉资产与描述性元数据配对 |
| 12 | 12_build_url_map.py |
建立用于网页显示的 URL 映射 |
本项目采用 MIT 许可证——详情请参阅 LICENSE 文件。
重要： DocOracle 是一个用于处理你有合法使用权的文档的工具。流程和网站代码是开源的；你处理的文档是你的责任。切勿上传你没有使用许可的受版权保护的材料。
DocOracle — 因为每份文档都值得被理解。